[应用智能2022] 面向开放设施的基于 MANET 的推荐系统

Towards MANET-based Recommender Systems for Open Facilities

https://link.springer.com/article/10.1007/s10489-021-03117-4

摘要

如今，大多数推荐系统都基于集中式架构，这可能会导致信任、隐私、可靠性和成本方面的关键问题。在本文中，我们提出了一种用于开放设施的分散式分布式基于 MANET（移动自组织网络）的推荐系统。该系统基于收集有关用户位置的传感器数据的移动设备，以得出用于协同过滤推荐的隐式评级。详细讨论了推导评级并在 MANET 网络中传播它们的机制。最后，大量实验证明了该方法在不同性能指标方面的适用性。

引言

在过去十年中，移动设备改变了人们与环境互动的方式。内置传感器和高处理能力可以为用户提供利用其当前环境的智能应用程序。

情境感知推荐系统 (CARS) [ 1 ] 形成了一类新的智能应用程序，它们从环境特征中推断用户的情境，以提供有助于个性化用户体验的优化推荐。特别是，博物馆、展览会或一般城市空间等开放设施中基于位置的 CARS 可以受益于从有关当前用户位置的传感器数据中获得的洞察力。这些可能用于为位置是重要上下文属性的域中的用户提供更准确的建议。在开放式设施或城市开放空间中，用户可以自由移动以寻找满足其需求的物品，并且该区域中的用户集会随时间变化（用户可以随意加入或离开）。

问题描述 常见的推荐系统没有利用基于智能手机的分布式系统架构的多种功能。相反，大多数推荐系统依赖于集中式架构：它们使用充当中央权威的服务器，从所有用户收集相关数据，并为所有用户计算个人推荐。我们声称这种集中式推荐系统存在以下重大问题：

• 信任问题：用户必须相信从服务器收到的推荐是可信和适当的，而不知道它们是如何计算的。这需要很大的信心飞跃，因为在线市场或住宿网站等商业领域中使用的集中式推荐系统通常会通过提高促销商品的可见性来扭曲推荐结果。一般来说，用户更愿意对推荐过程有更多的控制权。

• 隐私问题：通常，用户不喜欢将他们的数据提交给可能有兴趣并有能力将其数据用于商业目的的中央机构。相反，他们更喜欢没有一个推荐服务器是所有数据的所有者。此外，一般来说，用户希望完全控制他们的数据并决定与谁分享他们的评分。但是中心化推荐系统迫使用户向他们提供个人推荐。他们只能为他们知道评分的用户计算推荐。

• 评分获取问题：任何推荐系统都需要了解用户的偏好，才能获得更好的个性化推荐。大多数系统都试图通过要求用户对他们访问/消费的项目进行评分来了解偏好。然而，人们通常不想一直给出明确的反馈，因为这会让人不知所措且耗时。

• 可靠性问题：与所有以服务器为中心的架构一样，存储所有相关数据的中央推荐服务器会在系统中造成瓶颈和单点故障。系统的功能完全取决于该服务器的性能和可用性。如果发生故障或性能下降，整个推荐系统将无法继续运行。特别是对于关键任务应用程序和紧急情况，服务器故障、断电或服务器过载可能会导致严重问题[ 4、5、23 ]。

• 成本问题：此外，基于服务器的架构会导致建立适当的基础设施和维护的大量成本。尤其是在交易会等临时性活动中，高昂的安装和维护费用是无法承受的。

贡献 在本文中，我们提出了一个分散和分布式的基于 MANET（移动 Ad-hoc 网络）的开放空间推荐系统，它解决了传统集中式推荐系统的问题，即信任、隐私、可靠性和维护。

MANET 是一种多跳无线网络，其节点由可以自由移动且不需要任何服务器基础设施的移动设备组成 [ 12 ]。在建议的基于 MANET 的系统中，每个用户都使用自己的推荐系统实例，该实例在她的个人智能手机设备上运行。如果用户见面，他们会交换评分，逐步建立推荐算法的数据库。

我们声称我们的分布式推荐系统方法可以解决上述问题：

• 信任：在我们的方法中，用户可以信任推荐，因为他们自己运行推荐算法并自己对结果进行排名。因此，他们可以确定推荐的排名不会因任何其他方的利益而倾斜。

• 隐私：在基于 MANET 的系统中，用户不必向可能滥用其数据的中央机构披露他们的数据，而只需向他们偶然遇到的人披露。特别是，他们被要求只发布低敏感和匿名的数据，这些数据在丢失的情况下不会造成太大的伤害。不想透露自己评级的特别谨慎的用户仍然可以使用该系统。

• 评分获取：我们提出了一种隐式导出评分的方法，而不是强迫用户不断向系统提供评分。评级是自动计算的，无需任何用户交互，通过测量项目前面的逗留时间。

• 可靠性：基于 MANET 的系统架构增加了系统的可靠性，因为没有集中式服务器，即没有单点故障。

• 成本：基于智能手机的架构提供了一种低成本的解决方案，无需任何需要大量维护的特定服务器和网络基础设施。

据我们所知，没有类似的方法可以利用基于智能手机的 MANET 的功能来构建具有隐式评级的可信赖、可靠且具有成本效益的推荐系统。

请注意，该方法的目标不是超越传统的集中式 CF 推荐系统，而是通过使用分布式解决方案来克服上述问题。在下文中，我们将详细说明如何实现这些目标。

本文的结构如下。在第 2节中，我们简要概述了我们的系统架构。第 3节提出了本文所基于的概念框架，并讨论了我们基于 MANET 的推荐系统的关键机制。然后，在第 4节中，我们展示了广泛实验的结果来评估我们的方法。第 5节涉及文献中存在的相关工作。最后，我们总结了本文并在第6节中讨论了一些未来的工作方向 。

架构概述

在本节中，我们将简要概述分布式上下文感知推荐系统 (CARS) 的方法。在进入后续部分的细节之前，我们概述了我们架构的关键属性：

• MANET：我们的推荐系统方法依赖于 MANET（移动 Adhoc 网络）架构，该架构形成由用户智能手机组成的对等 (P2P) 系统。这意味着用户在一个开放空间中移动，这样他们就可以在四处走动时遇到彼此。每部智能手机都包含一个推荐系统，以便为其所有者提供有价值的建议。MANET 方法为所有用户提供了高度的自主权，并完全独立于任何集中式技术基础设施。

• 协同过滤：我们采用协同过滤 (CF) 方法，该方法通过利用多个用户提供的评级的协作能力来计算推荐。协作推荐系统根据用户的评分识别用户之间的共性，并根据用户间的比较生成新的推荐。协同过滤是商业系统中最熟悉和最成熟的推荐技术[ 9 ]。与基于内容的推荐等其他方法相比，无需开发用户配置文件和项目内容的详细领域特定模型，这使得 CF 相当容易实现 [ 2 ]。

• 分布式数据：由于 MANET 不依赖于服务器，因此 CF 所需的所有数据都以分布式方式存储在 MANET 节点上。用户智能手机不仅拥有自己的评分，还拥有其他用户给出的评分。由于 CF 需要来自许多其他用户的大量评级来计算适当的推荐，因此评级必须冗余地存储在许多节点上。

• 多跳数据交换：在 MANETs 中，当其他用户遇到问题时，可以通过相邻节点之间的直接传输来接收来自其他用户的评分. 为了从没有直接相遇但距离较远的节点获取数据，MANET 允许以多跳方式交换数据：数据通过多个节点传输以到达覆盖范围之外的用户。因此，如果两个节点之间存在多跳连接，则可以认为它们已连接。

• 隐式评分：CF 的一个主要问题是推导用户评分。通常，人们不想持续给出明确的反馈，因此应该使用更微妙和侵入性更小的技术来推理他们的个人偏好。一种可能的解决方案是从更丰富的隐式反馈中推断用户偏好，通过观察用户行为来提取意见 [ 19 ]]. 因为我们基于 MANET 的推荐系统是基于智能设备的，所以利用它们的传感器来监控用户活动似乎是显而易见的。作为应用场景，我们将为博物馆、集市或动物园等开放设施提供推荐系统。对于这样的环境，我们建议测量人们在物品前停留的时间以估计他们的偏好。在过去的工作中，我们使用基于服务器的架构为博物馆 [ 17 ] 实施了推荐系统，该系统从访客的移动数据中得出隐式评级。

图1给出了某个时刻的 MANET 系统示例。有六个用户，他们都在智能手机上使用 CF 算法运行自己的推荐系统。每个推荐系统都有自己的评分数据存储，这些评分是从智能手机的动作和从其他用户那里收到的评分得出的自己的评分。如果两个用户在传输范围内通过（例如用户A和用户C），他们可以交换他们的评级。没有任何邻居的用户（例如用户F）是孤立的，并且必须限制自己使用已有的数据，直到他们在不久的将来遇到其他用户。在示例中，用户B和D不能直接交换数据，因为它们超出范围，但它们可以使用用户E作为中间节点，通过 MANET 多跳机制执行数据传输。

我们在图2中使用类似 BPMN 的符号从用户的角度展示了系统的工作流程. 运行推荐系统时，可能会发生三种不同的事件。(i) 如果用户访问了一个项目，她在该项目前的逗留时间被测量以获得一个新的评级。该评级用于完善用户对她的个人资料，并插入到她相应的评级知识库中。(ii) 如果用户在附近遇到其他用户，她会与他们交换数据。她从其他人那里收到的数据随后被添加到她的评级数据库中。(iii) 如果用户希望系统推荐下一步去哪里，她会触发一个使用她的评级知识库的 CF 推荐算法。只要用户在设施中，此工作流就会在无限事件循环中执行。

基于MANET的推荐机制

---

在本节中，我们将从特定 MANET 节点（即对适当推荐感兴趣的用户）的角度描述我们提出的 CARS 的推荐机制。图 3显示了在每个用户智能手机上执行的推荐过程的四个阶段。

1. 导出（隐式）评级：作为我们基于 CF 的推荐系统的重要基础，每个用户必须提供反映其个人偏好的适当评级。如前所述，我们让系统通过利用用户的移动数据来隐式计算用户的评分。

2. 评级传播：因为自己的评级不足以进行基于 CF 的推荐，用户必须从其他人那里获得评级。评级传播概念描述了如何在 MANET 用户之间交换和传播评级，以增强他们对开放空间中的观点和偏好的了解。

3. 数据融合：在数据融合步骤中，从其他用户接收的数据必须与设备中已存储的信息合并。特别是，必须考虑评级的有效期。在公共场所，旧数据通常没有相关性，因为只有最近监测的评级才能描述当前情况。

4. 计算推荐：最后一步，通过 CF 算法计算推荐，例如基于用户的协同过滤。主要思想是向某个用户推荐那些具有相似品味的其他用户过去喜欢的项目。两个用户的品味相似度是根据他们评分历史的相似度来计算的。